Power Query é o motor de ETL (extração, transformação e carga) integrado ao Power BI e ao Excel. Ele conecta a ferramenta a centenas de fontes de dados, aplica transformações registradas passo a passo e entrega os dados limpos para o modelo. Em outras palavras: é no Power Query que o dado bruto vira dado confiável, antes de qualquer gráfico existir.
Se o seu dashboard mostra números que ninguém confia, o problema quase nunca está no visual. Está no tratamento. Este guia técnico mostra como o Power Query funciona, quais transformações resolvem 90% dos casos do dia a dia e as boas práticas que separam um projeto amador de um projeto sustentável.
O que é Power Query?
Power Query é a ferramenta da Microsoft para preparação de dados: ela extrai dados de mais de 200 fontes (bancos SQL, planilhas, APIs, arquivos, serviços em nuvem), transforma esses dados em uma interface visual e os carrega no destino, como o modelo do Power BI. Cada transformação é registrada como uma “Etapa Aplicada” e escrita na linguagem M, executada em sequência a cada atualização, conforme a documentação oficial do Power Query.
Dois pontos importantes para quem está começando:
- É repetível por padrão. Diferente do tratamento manual no Excel, as etapas ficam gravadas: na próxima atualização, tudo roda de novo, na mesma ordem, sem retrabalho.
- Está em vários produtos. O mesmo Power Query existe no Power BI Desktop, no Excel e nos dataflows do Power BI Service, o que permite reaproveitar tratamentos entre projetos.
Como funciona o ETL no Power BI?
O fluxo de ETL no Power BI segue três fases: conectar (escolher a fonte e as tabelas), transformar (limpar e estruturar no Editor do Power Query) e carregar (enviar o resultado ao modelo de dados, onde entram relacionamentos e medidas DAX).
A divisão de responsabilidades correta é esta:
| Camada | Responsabilidade | Exemplos |
|---|---|---|
| Power Query (M) | Limpar, padronizar e estruturar | Tipos de dados, remoção de colunas, merge de tabelas |
| Modelo de dados | Relacionar tabelas | Star schema: fato + dimensões |
| DAX | Calcular indicadores | Ticket médio, acumulado do ano, variação vs. meta |
Um erro comum é fazer no DAX o que deveria ser feito no Power Query (limpeza) ou no Power Query o que deveria ficar na origem (agregações pesadas). Regra prática: quanto mais perto da fonte o tratamento acontecer, melhor a performance.
Quais são as transformações mais comuns no Power Query?
As transformações que resolvem a maior parte dos problemas reais de dados são:
- Definir tipos de dados: garantir que data é data, número é número e texto é texto. É a causa número 1 de erro em atualização.
- Remover colunas e linhas desnecessárias: menos dados carregados, modelo mais rápido.
- Padronizar texto: maiúsculas/minúsculas, remoção de espaços extras (Trim/Clean), correção de acentuação vinda de sistemas legados.
- Substituir valores e tratar nulos: decidir explicitamente o que fazer com vazios em vez de deixá-los quebrar cálculos.
- Remover duplicados: essencial em cadastros de clientes e produtos.
- Dividir e combinar colunas: separar “cidade-UF”, montar chaves de relacionamento.
- Transformar colunas em linhas (unpivot): converter planilhas “largas” (um mês por coluna) no formato tabular que o BI exige. É a transformação que mais economiza tempo em dados vindos de Excel.
- Mesclar e acrescentar consultas (merge/append): juntar tabelas por chave (tipo PROCV) ou empilhar períodos (jan + fev + mar).
- Coluna condicional e coluna de exemplos: criar categorias e regras de negócio sem escrever código M.
Quais boas práticas seguir no Power Query?
As boas práticas que mais impactam performance e manutenção são: aproveitar o query folding, filtrar cedo, nomear etapas e documentar consultas.
- Preserve o query folding. Quando a fonte é um banco de dados, o Power Query tenta converter suas etapas em uma única consulta SQL executada na origem, o que reduz drasticamente o volume trafegado e o tempo de atualização. Mantenha as etapas “dobráveis” (filtros, seleção de colunas, agrupamentos) no início da consulta e deixe lógica customizada para o final, como explica a documentação de query folding da Microsoft.
- Filtre e reduza o quanto antes. Traga só as colunas e o período que a análise exige. Histórico de 10 anos que ninguém consulta é custo de atualização diária.
- Nomeie consultas e etapas. “fRemoveDuplicatasClientes” conta uma história; “Etapa Aplicada 14” não. Em seis meses, você (ou outro analista) vai agradecer.
- Separe consultas de preparação. Use consultas de referência e desabilite a carga das intermediárias, mantendo o modelo limpo.
- Padronize com parâmetros. Caminhos de arquivo, ambientes (produção/teste) e datas de corte em parâmetros evitam editar código a cada mudança.
- Trate erro na origem, não no visual. Se o mesmo ajuste se repete em toda consulta, o problema é da fonte: negocie a correção no sistema de origem ou centralize o tratamento em um dataflow.
- Evite processar o que a fonte pode processar. Agregações massivas e joins de tabelas gigantes rodam melhor no banco ou no data warehouse do que na memória do Power Query.
Quando o Power Query deixa de ser suficiente?
O Power Query atende muito bem tratamentos departamentais, mas mostra limite quando há grandes volumes, muitas fontes e necessidade de reuso corporativo. Os sinais típicos: atualizações que passam de 30 a 60 minutos, o mesmo tratamento replicado em vários arquivos .pbix e regras de negócio críticas presas na máquina de um analista.
Nesses cenários, a evolução natural é subir o ETL de nível: dataflows no serviço do Power BI ou um pipeline de engenharia de dados com data warehouse, deixando o Power Query apenas para ajustes finais. É a arquitetura que garante uma única versão da verdade para todos os dashboards, como detalhamos no guia sobre o que é Power BI e como implementar na sua empresa e no passo a passo de como construir um dashboard em 5 passos.
Conclusão: dashboard confiável começa no tratamento
Power Query é onde a qualidade do seu BI é decidida. Dominar as transformações comuns, preservar o query folding e organizar as consultas com nome e propósito transforma a atualização do dashboard de um risco diário em rotina invisível.
Se a sua empresa já sente o limite do tratamento manual, a consultoria de dados e Power BI da beAnalytic estrutura o ETL de ponta a ponta: da organização das consultas no Power Query à evolução para dataflows e data warehouse, com padrão de governança e performance. Fale com nossos especialistas e faça seus dashboards rodarem sobre dados que merecem confiança.
Perguntas frequentes sobre Power Query
O que é Power Query no Power BI?
É o motor de ETL integrado ao Power BI, responsável por conectar fontes de dados, aplicar transformações de limpeza e estruturação e carregar o resultado no modelo. As etapas ficam gravadas e rodam automaticamente a cada atualização.
Power Query e DAX são a mesma coisa?
Não. O Power Query (linguagem M) prepara e limpa os dados antes da carga. O DAX calcula indicadores e medidas sobre os dados já carregados no modelo. Limpeza é M; cálculo de negócio é DAX.
O que é query folding?
É a capacidade do Power Query de converter suas etapas em uma consulta nativa executada direto na fonte (como SQL). Isso reduz o volume de dados trafegado e acelera a atualização. Filtros e seleções de coluna no início da consulta ajudam a preservá-lo.
Power Query serve para grandes volumes de dados?
Para volumes departamentais, sim. Para grandes volumes e muitas fontes, o recomendado é fazer o pesado em dataflows ou em um data warehouse e deixar o Power Query para ajustes finais.
Preciso saber programar para usar o Power Query?
Não para o essencial: a interface visual cobre as transformações comuns. Conhecer a linguagem M ajuda em casos avançados, como funções customizadas e otimização de consultas.
Gabriela Melo é estrategista de conteúdo na beAnalytic, especializada em SEO e GEO. Com foco na criação de conteúdos otimizados para posicionar temas de Business Intelligence e Engenharia de Dados.
- Gabriela Melo
- Gabriela Melo
- Gabriela Melo
- Gabriela Melo
